[論文レビュー] Weakly Supervised Anomaly Detection: A Survey

Minqi Jiang, Chaochuan Hou+7 more|arXiv (Cornell University)|Feb 9, 2023

Anomaly Detection Techniques and Applications被引用数 20

ひとこと要約

この調査は、Weakly Supervised Anomaly Detection (WSAD) の手法を incomplete、inexact、and inaccurate 監視設定に分類し、tabular、graph、time-series、image/video データに跨る定義、アルゴリズム、将来の方向性を詳述し、コードとリソースを公開します。

ABSTRACT

Anomaly detection (AD) is a crucial task in machine learning with various applications, such as detecting emerging diseases, identifying financial frauds, and detecting fake news. However, obtaining complete, accurate, and precise labels for AD tasks can be expensive and challenging due to the cost and difficulties in data annotation. To address this issue, researchers have developed AD methods that can work with incomplete, inexact, and inaccurate supervision, collectively summarized as weakly supervised anomaly detection (WSAD) methods. In this study, we present the first comprehensive survey of WSAD methods by categorizing them into the above three weak supervision settings across four data modalities (i.e., tabular, graph, time-series, and image/video data). For each setting, we provide formal definitions, key algorithms, and potential future directions. To support future research, we conduct experiments on a selected setting and release the source code, along with a collection of WSAD methods and data.

研究の動機と目的

• ラベルが高コストまたは利用不能な場合の異常検知を動機づけ、3つの weak supervision 設定（incomplete、inexact、inaccurate）を特定する。
• 各設定における WSAD の形式的定義、基盤アルゴリズム、モダリティ別の洞察を提供する。
• 将来の WSAD 研究を指向するための主要な課題と未解決の問題を概観する。
• 再現性と比較を支援するため、コードを含む実験リソースと WSAD 手法・データのコレクションをリリースする。

提案手法

• WSAD 手法を three settings に分類: incomplete、inexact、inaccurate supervision、4つのデータモダリティ（tabular、graph、time-series、image/video）に跨って。
• incomplete supervision のコアアルゴリズム系を要約する（anomaly feature representation learning、anomaly score learning、graph label propagation、active learning、reinforcement learning）。
• inexact supervision のコアアルゴリズム系を要約する（multi-instance learning 基づく MIL 派生、anomaly regression/design、MIL を超える学習戦略）。
• inaccurate supervision のコアアルゴリズム系を要約する（複数のノイズ付きラベルを用いたアンサンブル学習、denoising ネットワーク、監督修正）。
• 横断モダリティ間の転移、few-shot/meta-learning、ハイパーパラメータ調整の自動化、効率的なラベル取得などを含むオープンな課題と将来の方向性について論じる。

実験結果

リサーチクエスチョン

• RQ1 incomplete、inexact、および inaccurate 監督の下で WSAD を特徴づける形式的定義は何か？
• RQ2 各 WSAD 設定と異なるモダリティにおける主要なアルゴリズム系とそれらの長所/短所は何か？
• RQ3 WSAD 研究を前進させる共通の課題と有望な方向性は何か？
• RQ4 再現性とさらなる研究を支援するために利用可能なリソース（コード、データセット）は何か？

主な発見

• 本論文は WSAD の初の包括的な調査を提供し、手法を weak supervision のタイプとデータモダリティ別に整理している。
• incomplete、inexact、および inaccurate 監督に対する形式的な問題定義、基盤アルゴリズム、および将来の方向性を詳述している。
• representative methods and their backbones の強調には、例えば anomaly feature representation learning、anomaly score learning、MIL-based inexact supervision、inaccurate supervision のための ensemble/denoising アプローチなどが含まれる。
• 選択された設定で実験が行われ、将来の研究を支援するために著者はソースコードと WSAD 手法とデータのコレクションをリリースする。
• 調査は未開の問題と time-series と video AD との跨モダリティ転用の機会、さらには active learning と meta-learning を有望な方向として特定している。